在當前節約資源、減少浪費的全球行動中，紡織品回收已成為一項亟待解決的重大挑戰。據統計，僅有15%的紡織品能夠被回收再利用，而剩余的85%則不幸被填埋。其中，紡織品回收項目面臨的一個核心難題是：如何在高吞吐量的環境下，準確辨別外觀極為相似的各類織物。

傳統分選方法的局限性

傳統的分選手段存在諸多不足。例如，空氣分級機在處理密度和空氣阻力相近的織物時，往往難以準確區分；化學分選雖然精確度高，但卻會破壞材料的原有結構，且對于羊毛等特定織物并不適用；而依賴RGB或多光譜成像的傳感器，也僅僅能夠提供面料的光譜特性，無法有效辨識質地差異明顯的面料。因此，我們迫切需要一種高效、非接觸式的分類技術，以實現對面料和混紡面料的高速、準確分類。

高光譜成像技術的引入與實驗

為了應對這一挑戰，我們引入了高光譜成像技術，并開展了相關實驗。實驗中，我們準備了顏色各異、棉、羊毛或合成混紡比例不同的布料樣品，并使用高光譜相機SP130M對它們進行掃描。隨后，通過專業的分類軟件對收集到的高光譜數據進行處理和分析。

實驗涉及的布料品種繁多，包括丙烯酸纖維、棉布、亞麻布、尼龍、聚酯纖維、粘膠以及羊毛等。然而，在近紅外波段，一些天然織物如棉和絲的譜線幾乎完全一致，還有許多織物與棉的譜線也極為接近，這無疑增加了分類的難度。

近紅外波段的織物平均光譜，一些天然織物比如棉和絲的譜線幾乎完全一樣

近紅外波段的很多織物和棉有接近的譜線

收集純織物光譜庫，建立分類模型，并對不同成分比例的織物樣品進行掃描，建立回歸模型估算未知樣品的成分比例。

分類模型的建立與優化

為了克服這些困難，我們著手建立了分類模型。鑒于許多織物品種在化學和物理特性上的高度相似性，使得機械分揀機和普通相機難以將它們區分開來。從近紅外范圍（900nm至1700nm）收集的不同織物光譜圖中，我們也可以清晰地看到這一點。

為此，我們針對不同面料建立了二元分類模型，以判斷樣品中是否包含特定材料。在一個具體的分類模型中，我們設定了背景、滌綸面料和非滌綸面料三個類別。該模型僅使用純面料樣品進行訓練，而針對混合面料樣品進行測試。實驗結果顯示，當使用5%像素閾值進行排序時，模型的準確率達到了100%；即便在使用1%像素閾值的情況下，準確率也高達98%。這一令人振奮的成功率表明，通過定制模型并針對特定類型面料進行排序，同時結合多階段排序選項，我們可以顯著提升分類性能。

此外，考慮到大多數服裝都是由多種面料混紡而成，我們還建立了回歸模型。利用不同比例的棉混紡樣品進行模型訓練，這些樣品在混紡比例、濃度和顏色上均存在差異。訓練集表現出了極強的相關性，并且通過回歸可視化工具，我們可以更加清晰地觀察到不同織物之間的差異，甚至超過了肉眼所能辨識的程度。